CN110231566B - 一种电能管控系统 - Google Patents

Abstract

本发明提供了一种电能管控系统，包括：SOFC模型，用于向信号板输出第一仿真结果，第一仿真结果包括：SOFC模型输出的第一电流及第一电压；锂电池模型，用于向双向直流电源输出第二仿真结果，第二仿真结果包括锂电池模型的充电电流或放电电流；第一电流传感器用于采集锂电池模型输出的实际电流；第一电压传感器用于采集锂电池模型输出的实际电压；半实物仿真器用于基于锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定锂电池模型的荷电状态SOC值及锂电池的健康状态SOH值；控制器用于基于SOC值、SOH值及负载电流I_load，利用模糊控制算法对锂电池模型输出的电流进行管控。

Description

一种电能管控系统

技术领域

本发明新能源控制技术领域，尤其涉及一种电能管控系统。

背景技术

燃料电池作为一门新兴绿色能源技术，通过电化学反应将化学能转化为电能，发电过程安静无噪声，适用于多种场所的供电系统。如家庭供电、办公楼供电以及学校供电等。其中固体氧化物燃料电池(SOFC，Solid Oxide Fuel Cell)在高温环境下可实现化学能到电能的转换，因在工作过程中SOFC输出功率范围较大，既可做高功率电源也可做低功率电源，能量转化效率较高，且电堆制造成本低，所以SOFC已经成为最具前景的绿色能源。

因SOFC跟踪外部负载功率变化的动态响应较慢，不同功率点之间切换时有数十秒的延迟，因此通常SOFC要与其他类型的电源如锂离子电池进行混合供能。

现有技术中一般是通过预估锂电池荷电状态来确定是否对锂电池进行充放电，但是当负载功率在短时间内发生大幅变动时，无法快速追踪到负载功率，导致无法对锂电池的电能实现精准管控，进而影响到锂电池的使用寿命。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种电能管控系统及方法，用于解决现有技术中利用燃料电池/锂电池混合功能时，当负载功率在短时间内发生大幅变动时，无法快速追踪到负载功率，导致无法对锂电池的电能实现精准管控，进而影响到锂电池的使用寿命的技术问题。

本发明提供一种电能管控系统，所述系统包括：

固体氧化物燃料电池SOFC模型，用于向信号板输出第一仿真结果，所述第一仿真结果包括：所述SOFC模型输出的第一电流及第一电压；

锂电池模型，用于模拟锂电池向双向直流电源输出第二仿真结果，所述第二仿真结果包括：所述锂电池模型的充电电流或放电电流、及所述锂电池模型的电压；

第一电流传感器，用于采集所述锂电池模型输出的实际电流；

第一电压传感器，用于采集所述锂电池模型输出的实际电压；

半实物仿真器，用于基于所述锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定所述锂电池模型的荷电状态SOC值及所述锂电池的健康状态SOH值；

控制器，用于基于所述SOC值、所述SOH值及负载电流I_load，利用模糊控制算法对所述锂电池模型输出的电流进行管控。

上述方案中，所述半实物仿真器具体用于：

根据已辨识的参数建立所述锂电池荷电状态估计模型的第一状态空间方程；所述已辨识的参数包括：所述锂电池模型的开路电压U_oc(SOC)、所述锂电池模型的恒定内阻R_Ω(SOC)、所述锂电池模型的第一极化电阻R_o(SOC)、所述锂电池模型的第二极化电阻R_d(SOC)、所述锂电池模型的第一极化电容C_o(SOC)、所述锂电池模型的第二极化电容C_d(SOC)；

根据预设的采样次数及采样点对所述第一状态空间方程中的第一状态量进行采样，生成第一状态量集合X；所述第一状态量X包括：荷电状态SOC、所述锂电池模型的第一极化电压U_o及第二极化电压U_d；

利用粒子滤波算法对所述第一状态量集合中的第一状态量进行预测，得出第一预测集合X_pf；

基于所述第一预测集合X_pf中每个所述第一状态量的初值，对所述荷电状态估计模型进行迭代，得出所有采样次数的第一观测值，并在每个所述第一观测值中加入预设的噪声，生成第一真实值Z_k，所述Z_k为所述锂电池模型输出的电压；

对所述第一状态量集合X中的第一状态量赋予初值，并依据正态分布随机生成第一粒子集X_m；

基于所述采样次数及所述第一状态空间方程，对所述第一粒子集X_m进行迭代，获取k时刻的第一粒子值，并基于所述第一粒子值及第一观测方程，确定第一粒子观测预测值

根据所述第一粒子观测预测值

及所述第一真实值Z_k之间的偏差，确定各第一粒子的权重

基于所述各所述第一粒子的权重

利用残差重采样策略更新所述第一粒子集；

对所述更新后的第一粒子集中的第一状态量进行均值运算，输出第一估计状态值集合；

根据所述第一状态值集合输出所述荷电状态SOC值。

上述方案中，所述半实物仿真器具体用于：

根据过程噪声建立所述锂电池健康状态估计模型的第二状态空间方程；

根据预设的采样次数及采样点对所述第二状态空间方程中的第二状态量进行采样，生成第二状态量集合；所述第二状态量包括：所述锂电池模型当前最大电荷容量Q_max；

利用粒子滤波算法对所述第二状态量集合中的第二状态量进行预测，得出第二预测集合C_ppf；

基于所述第二预测集合C_ppf中每个所述第二状态量的初值，对所述健康状态估计模型进行迭代，得出所有采样次数的第二观测值，并在每个所述第二观测值中加入预设的噪声，生成第二真实值l_k，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；

对所述第二状态量集合中的第二状态量赋予初值，依据正态分布随机生成第二粒子集C_pm；

基于所述采样次数及所述第二状态空间方程，对所述第二粒子集C_pm进行迭代，获取k时刻的第二粒子值，并基于所述第二粒子值及第二观测方程，得出第二粒子观测预测值

根据所述第二粒子观测预测值

及所述第二真实值l_k之间的偏差，确定各第二粒子的权重

基于所述各所述第二粒子的权重

利用残差重采样策略更新所述第二粒子集；

对所述更新后的第二粒子集中的第二状态量进行均值运算，输出第二估计状态值集合；

根据所述第二状态值集合输出所述健康状态SOH值。

上述方案中，所述第二状态方程包括：

Q_max，k+1＝Q_max，k+λ_k；其中，所述Q_max.k+1为k+1时刻所述锂电池模型的最大电荷容量，所述Q_max.k为k时刻所述锂电池模型的最大电荷容量，所述λ_k为k时刻的过程噪声。

上述方案中，所述第二观测方程包括：

其中，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；所述η为所述锂电池模型的电池放电效率，所述I_B,k-1为k-1时刻锂电池模型的输出电流；所述T为采样时间；所述Q_max,k-1为k-1时刻所述锂电池模型的最大放电容量；所述

为k时刻的噪声，所述SOC_k为k时刻所述锂电池模型的SOC值；所述SOC_k-1为k-1时刻所述锂电池模型的SOC值。

上述方案中，所述控制器具体用于：

判断所述SOH值是否满足0.8<SOH<1，若满足，继续判断所述SOC值是否满足0.4<SOC<0.8；

若所述SOC值满足0.4<SOC<0.8，则继续判断所述负载电流I_load是否大于所述SOFC的第一工作区段的最大电流；

若所述I_load大于所述锂电池模型的最大放电电流，则继续判断所述I_load是否大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，所述第一工作区段为所述SOFC的发电效率为40～50％的工作区段；

若所述I_load大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，则控制所述锂电池模型的输出电流为所述锂电池模型的最大放电电流；

若所述I_load不大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，则控制所述锂电池模型的输出电流I_load-E；所述E为所述锂电池模型的最大放电电流。

上述方案中，若所述I_load不大于所述SOFC第一工作区段的最大放电电流，所述控制器还用于：

控制所述锂电池模型的输出电流为0。

上述方案中，若所述SOC<0.4时，所述控制器还用于：

判断所述I_load是否大于|S|-|F|，所述S为所述SOFC的最大放电电流，所述F为锂电池模型的最大充电电流；若大于，则控制锂电池模型的输出电流为I_load-S；

若所述I_load≤|S|-|F|，控制所述锂电池模型的输出电流为所述锂电池模型的最大充电电流。

9、如权利要求6所述的系统，其特征在于，若所述SOC>0.8时，所述控制器还用于：

判断所述I_load是否大于所述锂电池模型的最大放电电流，若大于，则控制所述锂电池模型的输出电流为所述锂电池模型的最大放电电流。

若I_load小于或等于所述锂电池模型的最大放电电流，则控制所述锂电池模型的输出电流为I_load。

上述方案中，若所述SOH<0.8时，所述控制器还用于：

控制所述锂电池模型的输出电流为0。

本发明提供了一种电能管控系统，包括：固体氧化物燃料电池SOFC模型，用于向信号板输出第一仿真结果，所述第一仿真结果包括：所述SOFC模型的第一电流及第一电压；锂电池模型，用于向双向直流电源输出第二仿真结果，所述第二仿真结果包括：所述锂电池模型的充电电流或放电电流、及锂电池模型的电压；第一电流传感器，用于采集所述锂电池模型输出的实际电流；第一电压传感器，用于采集所述锂电池模型输出的实际电压；半实物仿真器，用于基于所述锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定所述锂电池模型的荷电状态SOC值及所述锂电池的健康状态SOH值；控制器，用于基于所述SOC值、所述SOH值及负载电流I_load，利用模糊控制算法对所述锂电池模型输出的电流进行管控；如此，同时对SOC值、SOH值进行监控，可以根据SOH的值，基于模糊控制算法判断锂电池是否处于健康状态；当处于健康状态时，根据SOC的值及负载电流值实时动态调整锂电池模型输出的电流，以对锂电池模型进行快速充电或放电；因模糊控制算法的响应时间较短，控制精度高，无论负载功率如何变化，都可以实现对负载功率的快速跟踪，从而减少SOFC输出电流的变化幅度，使得SOFC保持稳定的状态下对锂电池模型进行快速充放电，这样就避免了因延迟导致锂电池过度充电或过度放电的现象，进而确保了锂电池的使用寿命。

附图说明

图1为本发明实施例提供的电能管控系统的整体结构示意图；

图2为本发明实施例提供的模糊算法对应的模糊控制器的结构。

具体实施方式

为了解决现有技术中利用燃料电池/锂电池混合功能时，当负载功率在短时间内发生大幅变动时，无法快速追踪到负载功率，导致无法对锂电池的电能实现精准管控，进而影响到锂电池的使用寿命的技术问题；本发明提供了一种电能管控系统，包括：固体氧化物燃料电池SOFC模型，用于向信号板输出第一仿真结果，所述第一仿真结果包括：所述SOFC模型的第一电流及第一电压；锂电池模型，用于向双向直流电源输出第二仿真结果，所述第二仿真结果包括：所述锂电池模型的充电电流或放电电流、及所述锂电池模型的电压；第一电流传感器，用于采集所述锂电池模型输出的实际电流；第一电压传感器，用于采集所述锂电池模型输出的实际电压；半实物仿真器，用于基于所述锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定所述锂电池模型的荷电状态SOC值及所述锂电池的健康状态SOH值；控制器，用于基于所述SOC值、所述SOH值及负载电流I_load，利用模糊控制算法对所述锂电池模型输出的电流进行管控。

下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。

本实施例提供一种电能管控系统，主要包括仿真系统及电气系统，如图1所示，仿真系统主要包括：固体氧化物燃料电池SOFC模型1、锂电池模型2、半实物仿真器dSPACE 3；电气系统包括：第一电流传感器I₁、第一电压传感器U₁、第二电流传感器I₂、第二电压传感器U₂、第三电流传感器I₃、单向直流电源4、单向升压器DC/DC 5、双向直流电源6及控制器7；其中，仿真系统与电气系统是通过信号板8进行信号互通的。具体地，固体氧化物燃料电池SOFC模型1、锂电池模型2是半实物仿真器dSPACE 3中运行的，经实验数据验证的Simulink模型，由Build Model指令将上述模型转化为C代码下载至信号板8，信号板上的D/A通道将SOFC模型1与锂电池模型2的数字信号转换为模拟信号输出至外部设备。

实际使用中，控制器7为西门子S7-300PLC。控制器7中的控制模型由Simulink搭建完成后转化为最小子系统并进行离散化，由PLC Coder指令编译并下载至PLC，控制信号经模拟量输出AQ模块输出至被控对象。

需要说明的是，在图1中，“-”代表的是直流母线，“→”代表控制信号，

代表传感器采样信号。

具体地，SOFC模型1包括电堆模型与辅助系统模型，其中辅助系统模型包括：阴阳极气体供应单元、燃烧室、阴阳极热交换器，SOFC模型1模型的搭建是依据电堆电化学反应特性与辅助系统的热动态特性，依据各部件之间关系进行的集成。

SOFC模型1用于向信号板8输出第一仿真结果，第一仿真结果包括：SOFC模型1输出的第一电流及第一电压。

这里，信号板8接收到第一仿真结果后，因第一仿真结果是数字信号，因此需要经信号板8上的D/A通道9将第一电流及第一电压转换为模拟信号，再将模拟信号输出至单向直流电源4。单向直流电源4接收到第一电流及第一电压的模拟信号后，对其进行线性放大，并将放大后的第一电流及第一电压输出至单向升压器DC/DC 5。单向升压器DC/DC 5用于将放大后的第一电压升压至直流母线电压，为24V。其中，单向直流电源4可以模拟SOFC模型1输出的第一电流和第一电压；单向直流电源4的电压输出范围为5～15V，电流输出范围为0～120A。

锂电池模型2，用于向双向直流电源6输出第二仿真结果，第二仿真结果包括：锂电池模型2的充电电流或放电电流、及锂电池模型2输出的电压。继续参考图1，当锂电池模型2处于放电过程时，第一仿真结果经D/A通道10转换后，输出至双向直流电源6；当锂电池模型2处于充电过程时，锂电池模型2可以通过A/D通道11接收双向直流电源6输出的回馈电流。因此双向直流电源6可以用于模拟锂电池模型2的充放电过程；双向直流电源6电气特性为直流输入电压0～5V，输出电压10～30V，输入电流0～20mA，输出电流0～20A，能量回馈效率大于85％，电流失真小于3％，回馈电压范围为20～60V，回馈电流范围为0～15A。

第一电流传感器I₁串联在直流母线中，用于采集锂电池模型2输出的实际电流，并将该电流传输至半实物仿真器3；第一电压传感器U₁并联在直流母线中，用于采集锂电池模型2输出的实际电压，并将该电压输出至半实物仿真器3。这里，锂电池模型2输出的实际电流及实际电压是模拟信号，因此需要经A/D通道12转换为数字信号再输入至半实物仿真器3中。第三电流传感器I₃串联在直流母线中，用于采集电子负载的负载电流I_load，并将I_load发送至控制器7中。

半实物仿真器3，用于基于锂电池模型2的实际电流、锂电池模型2实际电压、预设的荷电状态SOC估计模型及健康状态SOH估计模型，利用粒子滤波算法分别确定锂电池模型2的荷电状态SOC值及锂电池模型2的健康状态SOH值。

具体地，半实物仿真器3利用粒子滤波算法确定锂电池模型2的荷电状态SOC值时，实现如下:

根据已辨识的参数建立所述锂电池荷电状态SOC估计模型的第一状态空间方程；这里，因锂电池模型2实质上是二阶等效电路，包括两个极化环节，因此包括两个极化电阻，两个极化电容；已辨识的参数包括：锂电池模型2的开路电压U_oc(SOC)、锂电池模型2的恒定内阻R_Ω(SOC)、锂电池模型2的第一极化电阻R_o(SOC)、锂电池模型2的第二极化电阻R_d(SOC)、锂电池模型2的第一极化电容C_o(SOC)、锂电池模型2的第二极化电容C_d(SOC)；这里是根据锂电池模型2输的实际电流与实际电压对上述参数进行辨识的，因辨识过程是熟知的技术，故而不再赘述。

建立的第一状态空间方程如公式(1)所示：

公式(1)中，τ_o为锂电池模型2的第一极化反应时间常数，τ_d为锂电池模型2第二极化反应时间常数，U_o为锂电池模型2的第一极化电压，U_d为锂电池模型2的第二极化电压，T_c为锂电池模型2的采样时间，C_cap为锂电池模型2的额定容量，C_o为锂电池模型2的第一极化电容，C_d为锂电池模型2的第二极化电容，I_B(K-1)为k-1时刻锂电池模型2输出的实际电流；W_K-1为k-1时刻的过程噪声。

第一状态空间方程建立之后，对各状态量的初值进行定义并设定采样次数及粒子总数(可理解为采样点)，各状态量的初值如下：SOC＝1、U_o＝0、U_d＝0；采样次数N为3600，采样点(粒子总数)M为500。

根据预设的采样次数及采样点对所述第一状态空间方程中的第一状态量进行采样，生成第一状态量集合X；第一状态量包括：荷电状态SOC、锂电池模型2的第一极化电压U_o及第二极化电压U_d；

利用粒子滤波PF算法对第一状态量集合X中的第一状态量进行预测，得出第一预测集合X_pf；

基于第一预测集合X_pf中每个第一状态量的初值，对荷电状态估计模型进行迭代，得出所有采样次数的第一观测值，并在每个第一观测值中加入预设的噪声，生成第一真实值Z_k，Z_k为锂电池模型2输出的实际电压；

对所述第一状态量集合X中的第一状态量赋予初值，并依据正态分布随机生成第一粒子集X_m。

这里，在迭代时，针对某一采样点来说，是将当前时刻各状态量的初值代入第一状态方程，得出下一时刻各状态量的初值，然后将下一时刻各状态量的初值代入第一观测方程中得出第一观测值。对于其他的采样点按照同样的方法进行迭代，最后得出所有时刻的第一观测值。

这里，第一观测方程如公式(2)所示：

U_B(K-1)＝U_oc(SOC,K-1)-U_o(K-1)-U_d(K-1)-R_Ω(SOC)I_B(K-1)+V_k-1 (2)

公式(2)中，U_B(K-1)为k-1时刻锂电池模型2输出的实际电压，U_oc(SOC,K-1)为k-1时刻锂电池模型2的开路电压，U_o(K-1)为k-1时刻锂电池模型2的第一极化电压，U_d(K-1)为k-1时刻锂电池模型2的第二极化电压，R_Ω(SOC)为锂电池模型2的恒定内阻、I_B(K-1)为k-1时刻锂电池模型2输出的实际电流，V_K-1为k-1时刻的测量噪声。

同样的，在第一获取粒子值时，基于所述采样次数及所述第一状态空间方程，对第一粒子集X_m进行迭代(具体是将第一粒子集中的粒子代入第一状态空间方程，按照预设的采样次数进行迭代)，来获取k时刻的第一粒子值

并基于第一粒子值

及第一观测方程，得出第一粒子观测预测值

本实施例是将第一粒子值

代入第一观测方程中，得出第一粒子观测预测值

的。

当确定出第一粒子观测预测值及第一真实值后，根据第一粒子观测预测值

及第一真实值Z_k之间的偏差，确定各第一粒子的权重

如公式(3)所示：

其中，le-99为调节因子，H为第一观测方程的观测噪声协方差，

为第一粒子观测预测值

及第一真实值Z_k之间的偏差，可以由公式(4)得出：

然后根据公式(5)对

进行归一化；

得出第一粒子的权重后，基于各第一粒子的权重

利用残差重采样策略更新所述第一粒子集，包括：

按照预设的权值阈值，淘汰权值小的粒子，保留权值高的粒子，多次复制权值高的粒子，以使得粒子数量与之前保持一致。其中，预设的权值阈值为0.8，当权值大于0.8时，保留对应的粒子；当权值小于0.8时，淘汰对应的粒子。在每一轮筛选后对保留的优化粒子权值赋值为1/M，在下一轮筛选中重新赋予权值。其实现如下：根据递归累乘函数

对粒子进行筛选，并对每一轮筛选后对保留的优化粒子权值赋值为1/M，在下一轮筛选中重新赋予权值。

上述函数中R为第一递归因子，用于从第一个粒子遍历至第M个粒子；第二递归因子

表示残差采样后更新的粒子权值。

第一粒子的权值得出之后，根据第一粒子的权值对更新后的第一粒子集中的第一状态量进行均值运算，输出第一估计状态值集合，运算公式如公式(6)所示：

公式(6)中，X_pf′为第一估计状态值集合，

为各第一粒子值，

为各第一粒子的权重。

判断是否完成所有的采样次数，若是，则根据第一状态值集合输出荷电状态SOC值，其中，第一状态值集合中的第一个状态量就为SOC值。

若没有完成所有的采样次数，则返回计算第一粒子观测预测值的步骤，再运算直至最后。这里重新计算的方法与上述方法完全一样，故而不再赘述。

作为一种可选的实施例，半实物仿真器3利用粒子滤波算法确定锂电池模型2的健康状态SOH值时，实现如下:

根据过程噪声建立所述锂电池健康状态估计模型的第二状态空间方程；第二状态空间方程为：

Q_max，k+1＝Q_max，k+λ_k (7)

其中，Q_max.k+1为k+1时刻锂电池模型2的最大电荷容量，所述Q_max.k为k时刻锂电池模型2的最大电荷容量，λ_k为k时刻的过程噪声。

第二状态空间方程建立之后，对第二状态空间方程中的各状态量的初值进行定义，Q_max＝3.3。

根据预设的采样次数及采样点对第二状态空间方程中的第二状态量进行采样，生成第二状态量集合C_ppf；第二状态量包括：锂电池模型2的最大电荷容量Q_max；

利用粒子滤波算法对所述第二状态量集合C_ppf中的第二状态量进行预测，得出第二预测集合C_ppf′；

基于第二预测集合C_ppf中每个所述第二状态量的初值，对所述健康状态估计模型进行迭代，得出所有采样次数的第二观测值，并在每个所述第二观测值中加入预设的噪声，生成第二真实值l_k，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；

对第二状态量集合C_ppf中的第二状态量赋予初值，依据正态分布随机生成第二粒子集C_pm；

这里，在迭代时，针对某一采样点来说，是将当前时刻各状态量的初值代入第二状态方程，得出下一时刻各状态量的初值，然后将下一时刻各状态量的初值代入第二观测方程中得出第二观测值。对于其他的采样点按照同样的方法进行迭代，最后得出所有时刻的第二观测值。

第二观测方程包括如公式(8)所示：

其中，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；η为锂电池模型2的电池放电效率，I_B,k-1为k-1时刻锂电池模型2的输出电流；T为采样时间；Q_max,k-1为k-1时刻锂电池模型2的最大放电容量；

为k时刻的测量噪声，SOC_k为k时刻所述锂电池模型2的SOC值；SOC_k-1为k-1时刻锂电池模型2的SOC值。

同样的，需要基于所述采样次数及所述第二状态空间方程，对所述第二粒子集C_pm进行迭代，来获取k时刻的第二粒子值

并基于第二粒子值

及第二观测方程，得出第二粒子观测预测值

本实施例是将第二粒子值

代入第二观测方程中，得出第二粒子观测预测值

的。

当确定出第二粒子观测预测值及第二真实值后，根据所述第二粒子观测预测值

及所述第二真实值l_k之间的偏差，确定各第二粒子的权重

如公式(9)所示：

公式(9)中，S为第二观测方程的观测噪声协方差，

为第二粒子观测预测值

及第二真实值l_k之间的偏差。

基于各第二粒子的权重

利用残差重采样策略更新所述第二粒子集；这里，残差重采样策略与更新第一粒子集的策略是完全一样的，故而不再赘述。

第二粒子的权重得出之后，根据第二粒子的权重对更新后的第二粒子集中的第二状态量进行均值运算，输出第二估计状态值集合，运算公式如公式(10)所示：

公式(9)中，C_ppf″为第二估计状态值集合，

为各第二粒子值，

为各第二粒子的权重。

判断是否完成所有的采样次数，若是，则根据第二状态值集合输出健康状态SOC值，其中，第二状态值集合中的状态量就为SOH值。

若没有完成所有的采样次数，则返回计算第二粒子观测预测值的步骤，再运算直至最后。这里重新计算的方法与上述方法完全一样，故而不再赘述。

当确定出SOC值和SOH值后，半实物仿真器3将SOC值和SOH值传输至D/A通道13转换为模拟信号，再由模拟量输入模块AI 14将SOC值和SOH值传输至控制器7中，控制器7用于基于SOC值、SOH值及负载电流I_load，利用模糊控制算法对锂电池模型2输出的电流进行管控。

这里，参见图2，控制器7的结构包括：D/F模糊化模块及专家知识库；专家知识库包括：隶属函数库α及经验参数库。

SOC、SOH、I_load为D/F模糊化模块的清晰值输入变量，参数a₁、a₂、a₃为量化因子，主要用于分别调节SOC、SOH、I_load的论域范围，使其映射到模糊论域上，生成模糊化后的输入变量。

D/F模糊化模块用于对模糊化后的输入变量在隶属函数库α中得到对应隶属度。隶属函数用于描述变量对于模糊集合的隶属程度，即与模糊概念的契合程度，隶属度取值范围为0到1之间的连续值。

控制器7中的模糊控制算法采用清晰化输出函数I_{battery_set}(SOC,SOH,I_load)，利用自适应神经模糊系统ANFIS对输出函数中各个参数进行辨识，其训练集与测试集来自基于经验调节得出的SOC、SOH、I_load；当控制器7的输出信号范围与外部被控对象允许接收信号范围不匹配时，可通过比例因子f进行调节，最终得到合适的控制信号I_{battery_set}，控制信号I_{battery_set}经模拟量输出模块AQ 15输出至锂电池模型2，以对锂电池模型2的输出电流进行调控。其中，

清晰化输出函数具体为：

其中，

和r是根据经验数据辨识出来的函数参数，可以理解为每个输入的控制量(SOC、SOH及I_load)占输出结果的比重。

这里，变量SOC、SOH与I_load的隶属函数本实施例均选用三角形函数。SOC的模糊子集为L、M和H，分别表示电池组荷电量较低、荷电量适中和荷电量较高；其模糊论域为[0，1]。

SOH的模糊子集为unhealthy和healthy，分别表示电池处于非健康状态和健康状态，其模糊论域为[0，1]。

I_load的模糊子集为VL、L、M和H，分别表示负载所需电流值非常低、较低、适中和较高，其模糊论域为[0，20]；

I_{battery_set}对应的各阶段输出函数分别为zero、track、discharge、part_discharge、charge及part_charge，分别表示设定锂电池模型2的输出电流值为0、跟踪负载需求电流、输出6A放电电流、输出部分负载所需电流、吸收6A充电电流和吸收部分充电电流的操作。

这里，在利用控制器7调控锂电池模型2的输出电流时，控制器7具体用于：

判断SOH值是否满足0.8<SOH<1，若满足，继续判断SOC值是否满足0.4<SOC<0.8；若SOC值满足0.4<SOC<0.8，则继续判断负载电流I_load是否大于SOFC的第一工作区段的最大电流；若所述I_load大于SOFC的第一工作区段的最大电流，则继续判断I_load是否大于SOFC的第一工作区段的最大电流与所述锂电池模型2的最大放电电流之和，所述第一工作区段为所述SOFC的发电效率为40～50％；

若I_load大于SOFC的第一工作区段的最大电流与所述锂电池模型2的最大放电电流之和，则控制锂电池模型2的输出电流为锂电池模型的最大放电电流；若所述I_load不大于所述SOFC的第一工作区段的最大电流与所述锂电池模型2的最大放电电流之和，则控制所述锂电池模型的输出电流I_load-E；所述E为所述锂电池模型的最大放电电流。

若所述I_load不大于所述锂电池模型2的SOFC的第一工作区段的最大电流，所述控制器7还用于：控制锂电池模型2的输出电流为0。

作为可选的一种实施例，若SOC<0.4，控制器7还用于：

判断I_lo_ad是否大于|S|-|F|，S为SOFC的最大放电电流，F为锂电池模型2的最大充电电流；若大于，则控制锂电池模型2的输出电流为I_load-S；若I_load不大于|S|-|F|，则控制锂电池模型2的输出电流为锂电池模型2的最大充电电流；表明此时需要为锂电池模型2进行充电。

作为可选的一种实施例，若SOC>0.8时控制器7还用于：

判断I_load是否大于锂电池模型2的最大放电电流，若大于，则控制锂电池模型2的输出电流为锂电池模型2的最大放电电流。

若I_load不大于锂电池模型2的最大放电电流，则控制锂电池模型2的输出电流为I_load。

作为可选的一种实施例，若SOH<0.8时，控制器7还用于：控制锂电池模型2的输出电流为0。

实际应用中，锂电池模型2的最大充电电流为-6A，最大放电电流为6A，SOFC的最大放电电流为20A，SOFC的第一工作区段的最大电流为6A，那么控制器7的实现逻辑如下：

判断SOH值是否满足0.8<SOH<1，若满足，则表明锂电池模型2处于健康的工作状态，那么继续判断SOC值是否满足0.4<SOC<0.8，若满足，则继续判断负载电流I_load是否大于6A，若是，再判断I_load是否大于12A，若是则I_{battery_set}为6A，若否则I_{battery_set}为I_load-6，此时锂电池承担部分负载电流；若I_load小于6A，则控制I_{battery_set}输出为0A，此时负载电流全部由SOFC承担；

若SOC<0.4，表明锂电池模型2的荷电量较低，会导致过放电情况，因此需要对其进行充电以恢复到理想区间。此时判断I_load是否大于14A，若是，则控制I_{battery_set}输出为I_load-20，即SOFC对外共输出电流20A，其中电池充电电流为I_load-20；若否，则I_{battery_set}为-6A，表示SOFC不仅为负载提供所需电流，还要对锂电池模型2充电6A。

若SOC>0.4，表明锂电池模型2的荷电量过高，容易导致过充电情况，因此需要对其适当放电至SOC恢复理想工作范围。继续判断I_load是否大于6A，若是，则控制I_{battery_set}输出6A，代表锂电池模型2为负载提供6A的放电电流，负载剩余所需电流由SOFC提供。若I_load不大于6A，则控制I_{battery_set}等于I_load，代表示由锂电池模型2全部提供负载所需电流。

若SOH<0.8时，表明电池处于非健康状态，此时应停止使用电池并对其进行更换，因此无论SOC处于哪个范围，均控制I_{battery_set}的输出为0，以保护锂电池模型2，避免受到损坏。

作为一种可选的实施例，系统还包括继电器K，当确定锂电池模型2或直流母线出现故障，为了保护外部负载，控制器7还用于控制继电器K的开断状态来控制电子负载的接通与断开，达到保护系统与外部电子负载的目的。

作为一种可选的实施例，为了确保直流母线电压保持稳定，第二电流传感器I₂串联在直流母线中，用于采集单向升压器DC/DC 5输出的实际电流；并通过模拟量输入模块AI16将该电流传输至控制器7中。第二电压传感器U₂并联在直流母线中，用于采集单向升压器DC/DC 5输出的实际电压，并通过模拟量输入模块AI 16将该电压传输至控制器7中。第三电流传感器I₃用于采集负载电流，并通过模拟量输入模块AI 16。

这里，因单向升压器DC/DC 5输出的电压其实就是SOFC模型1输出的第一电压，单向升压器DC/DC 5输出的电流其实就是SOFC模型1输出的第一电流，因此当控制器7接收到单向升压器DC/DC 5输出的电压及电流后，还用于：

基于单向升压器DC/DC 5输出的电压及基准电压对单向升压器DC/DC 5输出的电流进行调控，以使得母线电压保持稳定；基准电压为母线电压，为24V。

比如，单向升压器DC/DC 5输出的电压为12V，是达不到母线电压的，与母线电压之间具有一个电压偏差值，那么控制器7就可以根据这个电压偏差值来调节单向升压器DC/DC5输出的电流来调节单向升压器DC/DC 5输出的电压，直至将单向升压器DC/DC 5输出的电压调节至24V，这样就可以稳定直流母线电压，实质上控制器7在调控锂电池模型2的输出电流时，还会通过调控单向升压器DC/DC 5输出的电流配合锂电池模型2的充放电。本实施例采用单向DC/DC是为了在实际应用中防止能量回流，从而保护SOFC模型1电堆。

本实施例提供的电能管控系统能带来的有益效果至少是：

本发明提供了一种电能管控系统，包括：固体氧化物燃料电池SOFC模型，用于向信号板输出第一仿真结果，所述第一仿真结果包括：所述SOFC模型的第一电流及第一电压；锂电池模型，用于向双向直流电源输出第二仿真结果，所述第二仿真结果包括：所述锂电池模型的充电电流或放电电流；第一电流传感器，用于采集所述锂电池模型输出的实际电流；第一电压传感器，用于采集所述锂电池模型输出的实际电压；半实物仿真器，用于基于所述锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定所述锂电池模型的荷电状态SOC值及所述锂电池的健康状态SOH值；控制器，用于基于所述SOC值、所述SOH值及负载电流I_load，利用模糊控制算法对所述锂电池模型输出的电流进行管控；如此，利用粒子滤波算法得出的SOC值、SOH值的误差绝对值小于0.035，确保了控制精度；在利用T-S模糊控制算法对锂电池模型2的输出电流进行管控时，同时对SOC值、SOH值进行监控，可以根据SOH的值基于模糊控制算法判断锂电池是否处于健康状态；当处于健康状态时，根据SOC的值及负载电流值实时动态调整锂电池模型输出的电流，对锂电池模型进行快速充电或放电；因模糊控制算法的响应时间较短，控制精度高，无论负载功率如何变化，锂电池模型2的输出电流都是可以达到瞬间改变的，因此可以实现对负载功率的快速跟踪，从而减少SOFC输出电流的变化幅度，使得SOFC保持稳定的状态下对锂电池模型进行快速充放电，既提高了发电效率及电能利用率，又避免了因延迟导致锂电池过度充电或过度放电的现象，进而确保了锂电池的使用寿命；另外，当确定锂电池模型处于非健康状态时，为了保护外部负载，控制器7控制继电器的断开来控制电子负载的断开，达到保护系统与外部电子负载的目的。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电能管控系统，其特征在于，所述系统包括：

固体氧化物燃料电池SOFC模型，用于向信号板输出第一仿真结果，所述第一仿真结果包括：所述SOFC模型输出的第一电流及第一电压；

锂电池模型，用于模拟锂电池向双向直流电源输出第二仿真结果，所述第二仿真结果包括：所述锂电池模型的充电电流或放电电流、及所述锂电池模型的电压；

第一电流传感器，用于采集所述锂电池模型输出的实际电流；

第一电压传感器，用于采集所述锂电池模型输出的实际电压；

半实物仿真器，用于基于所述锂电池模型的实际电流、实际电压、预设的荷电状态估计模型及健康状态估计模型，利用粒子滤波算法分别确定所述锂电池模型的荷电状态SOC值及所述锂电池的健康状态SOH值；

控制器，用于基于所述SOC值、所述SOH值及负载电流I_load，利用模糊控制算法对所述锂电池模型输出的电流进行管控；其中，

所述半实物仿真器具体用于：

根据已辨识的参数建立所述锂电池荷电状态估计模型的第一状态空间方程；所述已辨识的参数包括：所述锂电池模型的开路电压U_oc(SOC)、所述锂电池模型的恒定内阻R_Ω(SOC)、所述锂电池模型的第一极化电阻R_o(SOC)、所述锂电池模型的第二极化电阻R_d(SOC)、所述锂电池模型的第一极化电容C_o(SOC)、所述锂电池模型的第二极化电容C_d(SOC)；

根据预设的采样次数及采样点对所述第一状态空间方程中的第一状态量进行采样，生成第一状态量集合X；所述第一状态量X包括：荷电状态SOC、所述锂电池模型的第一极化电压U_o及第二极化电压U_d；

利用粒子滤波算法对所述第一状态量集合中的第一状态量进行预测，得出第一预测集合X_pf；

基于所述第一预测集合X_pf中每个所述第一状态量的初值，对所述荷电状态估计模型进行迭代，得出所有采样次数的第一观测值，并在每个所述第一观测值中加入预设的噪声，生成第一真实值Z_k，所述Z_k为所述锂电池模型输出的电压；

对所述第一状态量集合X中的第一状态量赋予初值，并依据正态分布随机生成第一粒子集X_m；

基于所述采样次数及所述第一状态空间方程，对所述第一粒子集X_m进行迭代，获取k时刻的第一粒子值，并基于所述第一粒子值及第一观测方程，确定第一粒子观测预测值

根据所述第一粒子观测预测值

及所述第一真实值Z_k之间的偏差，确定各第一粒子的权重

基于所述各所述第一粒子的权重

利用残差重采样策略更新所述第一粒子集；

对所述更新后的第一粒子集中的第一状态量进行均值运算，输出第一估计状态值集合；

根据所述第一估计状态值集合输出所述荷电状态SOC值；

根据过程噪声建立所述锂电池健康状态估计模型的第二状态空间方程；

根据预设的采样次数及采样点对所述第二状态空间方程中的第二状态量进行采样，生成第二状态量集合；所述第二状态量包括：所述锂电池模型当前最大电荷容量Q_max；

利用粒子滤波算法对所述第二状态量集合中的第二状态量进行预测，得出第二预测集合C_ppf；

基于所述第二预测集合C_ppf中每个所述第二状态量的初值，对所述健康状态估计模型进行迭代，得出所有采样次数的第二观测值，并在每个所述第二观测值中加入预设的噪声，生成第二真实值l_k，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；

对所述第二状态量集合中的第二状态量赋予初值，依据正态分布随机生成第二粒子集C_pm；

基于所述采样次数及所述第二状态空间方程，对所述第二粒子集C_pm进行迭代，获取k时刻的第二粒子值，并基于所述第二粒子值及第二观测方程，得出第二粒子观测预测值

根据所述第二粒子观测预测值

及所述第二真实值l_k之间的偏差，确定各第二粒子的权重

基于所述各所述第二粒子的权重

利用残差重采样策略更新所述第二粒子集；

对所述更新后的第二粒子集中的第二状态量进行均值运算，输出第二估计状态值集合；

根据所述第二估计状态值集合输出所述健康状态SOH值。

2.如权利要求1所述的系统，其特征在于，所述第二状态空间方程包括：

Q_max，k+1＝Q_max，k+λ_k；其中，所述Q_max.k+1为k+1时刻所述锂电池模型的最大电荷容量，所述Q_max.k为k时刻所述锂电池模型的最大电荷容量，所述λ_k为k时刻的过程噪声。

3.如权利要求1所述的系统，其特征在于，所述第二观测方程包括：

其中，所述l_k为k-1时刻与k时刻的SOC变化量的期望值；所述η为所述锂电池模型的电池放电效率，所述I_B,k-1为k-1时刻锂电池模型的输出电流；所述T为采样时间；所述Q_max,k-1为k-1时刻所述锂电池模型的最大放电容量；所述

为k时刻的噪声，所述SOC_k为k时刻所述锂电池模型的SOC值；所述SOC_k-1为k-1时刻所述锂电池模型的SOC值。

4.如权利要求1所述的系统，其特征在于，所述控制器具体用于：

判断所述SOH值是否满足0.8<SOH<1，若满足，继续判断所述SOC值是否满足0.4<SOC<0.8；

若所述SOC值满足0.4<SOC<0.8，则继续判断所述负载电流I_load是否大于所述SOFC的第一工作区段的最大电流；

若所述I_load大于所述锂电池模型的最大放电电流，则继续判断所述I_load是否大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，所述第一工作区段为所述SOFC的发电效率为40～50％的工作区段；

若所述I_load大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，则控制所述锂电池模型的输出电流为所述锂电池模型的最大放电电流；

若所述I_load不大于所述SOFC的第一工作区段的最大电流与所述锂电池模型的最大放电电流之和，则控制所述锂电池模型的输出电流I_load-E；所述E为所述锂电池模型的最大放电电流。

5.如权利要求4所述的系统，其特征在于，若所述I_load不大于所述SOFC第一工作区段的最大放电电流，所述控制器还用于：

控制所述锂电池模型的输出电流为0。

6.如权利要求4所述的系统，其特征在于，若所述SOC<0.4时，所述控制器还用于：

判断所述I_load是否大于|S|-|F|，所述S为所述SOFC的最大放电电流，所述F为锂电池模型的最大充电电流；若大于，则控制锂电池模型的输出电流为I_load-S；

若所述I_load≤|S|-|F|，控制所述锂电池模型的输出电流为所述锂电池模型的最大充电电流。

7.如权利要求4所述的系统，其特征在于，若所述SOC>0.8时，所述控制器还用于：

判断所述I_load是否大于所述锂电池模型的最大放电电流，若大于，则控制所述锂电池模型的输出电流为所述锂电池模型的最大放电电流；

若I_load小于或等于所述锂电池模型的最大放电电流，则控制所述锂电池模型的输出电流为I_load。

8.如权利要求4所述的系统，其特征在于，若所述SOH<0.8时，所述控制器还用于：

控制所述锂电池模型的输出电流为0。

Images